Maestría en Big Data y Ciencia de Datos IMF Smart Education Ecuador

La Maestría en Big Data y Ciencia de Datos de UHE x IMF Smart Education, es un programa de cuarto nivel que dota al profesional de los conocimientos, competencias y herramientas precisas para manejar, analizar e interpretar grandes volúmenes de información necesarios para alcanzar los objetivos de negocio, profesionales especializados que combinen la capacidad analítica y la visión estrategia.

¿Estamos preparados para afrontar este futuro?

La maestría permite profundizar en aspectos claves como las infraestructuras para el almacenamiento y procesamiento distribuido, minería de datos y analítica avanzada con Machine Learning y técnicas eficientes de visualización de la información, permitiendo que ingenieros, perfiles técnicos, matemáticos o estadísticos, junto con los gestores y otros profesionales de la organización, puedan identificar, capturar, transformar, analizar e interpretar los datos e impulsar la estrategia, la innovación y el valor de sus empresas.

Dirigido a ingenieros de las tecnologías de la información, ingenieros de otras áreas, licenciados en administración y negocios con experiencia en gestión del dato, economistas, matemáticos, sociólogos, licenciados en servicios de transporte, y cuales quiera otros profesionales que hayan desarrollados labores relacionadas con la gestión o analítica de grandes volúmenes de datos.

Maestría diseñada por un comité de expertos compuesto por doctores y profesionales en activo de una empresa líder en el ámbito del Big Data y la Ciencia de Datos como es Indra. Su experiencia avala la idoneidad de los estudios y las competencias que se adquieren, ya sea para la incorporación al mundo laboral o para la mejora profesional en el sector.

Este equipo de expertos, además de participar en el comité de diseño de programas formativos, colabora en la tutorización e impartición de las sesiones de la maestría.

Fundamentos Big Data

1. Uso de máquinas virtuales y shell de comandos
2. Fundamentos de programación en Python
3. Fundamentos de bases de datos relacionales
4. Fundamentos de tecnologías de internet
5. Compartir datos, código y recursos en repositorios
6. Fundamentos de tratamiento de datos con el stack científico de Python

Business Intelligence

1. Introducción a la inteligencia de negocio
2. Almacenes de datos y bases de datos analíticas
3. Herramientas de extracción y carga
4. Aplicaciones de inteligencia de negocio
5. Análisis de datos masivos aplicados al negocio
6. Inteligencia de cliente (CRM)

Analítica de datos y modelos de aprendizaje automático aplicados a Big Data

1. Introducción al aprendizaje automático
2. Modelos supervisados
3. Modelos no supervisados
4. Ingeniería de características y selección de modelos
5. Modelos conexionistas 6. Reglas de asociación y market basket analysis

Proceso de modelización matemática- PLN

1. Introducción histórica y tecnológica
2. Herramientas PLN I: NLTK
3. Herramientas PLN II: INCEpTION y Gate
4. Text mining
5. Otras aplicaciones y técnicas PLN

Plan de Titulación

1. Diseño e implementación de proyectos con componentes de investigación aplicada y/o de desarrollo.
2. Diseño y redacción de artículos profesionales de alto nivel. 3. Análisis de modelos prácticos para el desarrollo del examen de carácter complexivo.

Análisis de datos para la toma de decisiones empresariales

1. Introducción al business intelligence
2. BI vs. reporting tradicional 3
3. Fundamentos tecnológicos para el tratamiento y análisis de datos
4. Fundamentos de visualización de datos
5. Visualización avanzada de datos
6. Herramientas de visualización

Arquitectura y soluciones de Big Data

1. Procesamiento de datos con Hadoop
2. Herramientas del ecosistema Hadoop
3. Procesamiento de datos con Spar
4. Arquitecturas de streaming
5. Componentes de arquitecturas en streaming
6. Plataformas y API en la nube

Bases de datos para entornos analíticos

1. Bases de datos no convencionales
2. Modelos de base de datos basados en documentos
3. Modelos de base de datos orientados a columnas
4. Modelos de base de datos orientados a grafos
5. Modelos de bases de datos clave-valor
6. Adquisición de datos

Modelamiento y explotación de datos mediante Big Data

1. El business case de big data
2. Proyectos de big data
3. Aplicaciones analíticas por sectores
4. Tecnologías emergentes en analítica
5. Gestión de equipos y métodos ágiles
6. Aspectos regulatorios del tratamiento de datos

Casos y Tópicos de Big Data

1. Caso de analítica escalable. Análisis con tecnologías de computación paralela y escalable
2. Caso de estudio de analítica en redes sociales
3. Caso de estudio en internet of things
4. Caso de estudio en analítica financiera (el rating de empresas)
5. Caso de estudio en analítica de clientes: location analytics
6. Caso de estudio de técnicas de recuperación de información

Deontología profesional

1. Visión humanista del uso de la Ciencia de Datos.
2. Ética y servicio al bien común.
3. Responsabilidad profesional.

Objetivos

El objetivo principal de esta maestría es que el alumno pueda de manera flexible:

• Comprender el valor de los datos y su análisis en las organizaciones y ser capaz de idear y concebir soluciones de análisis de datos.
• Conocer y saber enunciar el valor para el negocio de las principales tecnologías de procesamiento paralelo y de almacenamiento de datos escalable, así como saber explicar su uso para propósitos específicos dentro de la organización.
• Ser capaces de aplicar técnicas y métodos de data analytics a problemas de negocio utilizando técnicas de programación estadística.
• Aplicar técnicas de aprendizaje automático y de minería de texto a la extracción de valor de los datos y a la construcción de modelos predictivos.
• Obtener una formación general en las áreas del programa, que permitirán al alumno orientarse a una variedad de salidas profesionales.
• Obtener un conocimiento sólido de técnicas y métodos de Data Science en R y Python, así como de su aplicación a diferentes áreas de negocio.
• Comprender de manera práctica las principales tecnologías de paralelización de datos, para procesamiento batch o streaming (tiempo real), y conocer cuándo utilizar unas u otras.
• Reorientar o focalizar las competencias en la gestión y extracción de valor del dato, desde diferentes perspectivas y para perfiles diversos que tengan distintos conocimientos de entrada.
• Aprender mediante el uso de casos y ejemplos prácticos y adquirir, por tanto, competencias que son directamente aplicables a la práctica profesional.

La realización del programa le dará la oportunidad al alumno de dirigirse a las siguientes salidas profesionales, dependiendo de su formación previa:

• Ingeniero de datos (Data Engineer)
• Arquitecto de datos (Data Architect)
• Científico de datos (Data Scientist)
• Analista de datos (Big Data Analyst)
• Director de gobierno de datos (CDO, Chief Data Officer)